Short-Term Fiscal Projections Using Forecast Combination Approach
Bibliographic record
Abstract
БЮДЖЕТНАЯ СИСТЕМА.ПРОГНОЗИРОВАНИЕ ДОХОДОВ Краткосрочное прогнозирование поступлений в бюджет с использованием комбинации прогнозовАннотация В настоящей работе сравнивается ряд подходов к прогнозированию поступлений налога на прибыль в следующем квартале: модель авторегрессии и скользящего среднего, экспоненциальное сглаживание, модель линейной регрессии, наивный прогноз и разные способы комбинирования этих моделей.Получено, что с ростом длины промежутка, за который рассчитывается ошибка прогнозирования для проектировок на следующий квартал, меры ошибок увеличиваются для «первичных» моделей и арифметического среднего прогнозов и уменьшаются для способов комбинирования, учитывающих ошибки прогноза в предыдущих периодах.На промежутках в пять и десять кварталов наименьшую ошибку прогнозирования на следующий квартал обеспечивает модель линейной регрессии с индексом Московской биржи в качестве объясняющей переменной.На промежутке в 15 кварталов -подход комбинирования прогнозов с выбором модели по минимальной величине ошибки прогноза за предыдущие четыре квартала, что объясняется диверсификацией рисков ошибок прогнозов.Полученные результаты позволяют рекомендовать использование такого метода комбинирования для прогнозирования налога на прибыль в краткосрочном периоде и рассматривать его для других поступлений в бюджет.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".